支持向量回归机预测误差校正方法

针对传统的ε不敏感支持向量回归机(ε insensitive support vector regression, ε-SVR)未充分考虑局部支持向量对回归预测结果的影响,不利于提高回归预测精度的问题,提出了一种εSVR预测误差校正方法。该方法以期望预测值与εSVR回归预测值及局部支持向量间的欧氏距离和最小为目标函数,以ε不敏感损失带(εtube)宽度为约束条件,通过利用高维特征空间中εtube边界上和边界外的局部支持向量对εSVR的回归预测值进行误差校正。利用人工产生的不同分布数据集和UCI数据集进行的仿真结果表明,与传统的εSVR相比,该文方法具有更高的预测精度和更强的泛化能力。     

一种基于支持向量机的模糊分类器

提出了一种基于支持向量机学习的模糊分类器(FCBSVM).介绍了FCBSVM的基本思想及其结构,分析了隶属函数参数和惩罚参数C对分类规则的产生以及分类性能的影响,并提出了参数确定方法.构建这种分类器时,先选用适当的隶属函数,构造核函数.然后,以训练模式作为中心,进行模糊划分,对每个模糊划分建立一条模糊IF-THEN分类规则.最后,利用支持向量机学习方法,求出支持向量和规则的参数.这种分类器将支持向量机和模糊集合理论的优点结合起来,实现了模糊划分和模糊分类规则的自动产生.用双螺旋线数据和典型的数据集对分类器的性能进行了实验评测,验证了分类器的有效性.     

基于任务的装备器材非稳态需求预测

基于任务的装备器材具有非稳态、小样本等特征,针对其需求难以准确预测的问题,提出非稳态区间划分和支持向量回归(support vector regression, SVR)的预测方法。首先根据非稳态度量函数将需求序列划分为稳态子区间,然后对各子区间采用SVR进行预测,同时针对基于径向基函数(radial basis function, RBF)核函数的SVR对参数的敏感性问题,采用布谷鸟搜索算法(cuckoo search, CS)对SVR参数进行寻优,最后将各区间的预测结果进行加权求和得到最终预测结果。算例对比分析表明,该方法能够一定程度上降低数据非稳态影响,提高任务器材需求预测准确率。     

改进的渐进直推式支持向量机算法

针对半监督学习中渐进直推支持向量机(Progressive Transductive Support Vector Machines, PTSVM)算法存在训练速度慢, 回溯式学习多,学习性能不稳定的问题,提出一种改进的渐进直推支持向量机算法---IPTSVM.该算法利用支持向量的信息选择新标注的无标签的样本点,结合增量支持向量机的迭代更新算法, 继承渐进直推支持向量机渐进赋值和动态调整的规则, 与PTSVM相比,不仅在一般情况下提高了分类的精度,而且大大提高了算法的速度.在人工模拟数据和真实数据上的实验结果表明了该算法的有效性.     

基于PSO的SVR参数优化选择方法研究

支持向量回归机(SVR)模型的拟合精度和泛化能力取决于其相关参数的选取,因此提出了基于粒子群(PSO)算法的SVR参数优化选择方法;并以不同噪声影响下的sinc函数和实际发酵过程产物浓度的SVR模型为对象,将提出的PSO优化参数方法与现有的交叉验证法、留一法进行比较。仿真结果表明:该PSO优化SVR参数方法可行、有效,由此得到的SVR模型具有更好的学习精度和推广能力。     

基于遗传算法优化支持向量回归机的区域物流需求预测

本文采用支持向量回归机对物流需求进行预测,研究SVR在物流需求预测中的可行性。为了建立有效的SVR模型,SVR参数需要精心设置,针对物流需求非线性的特点,本文首次提出用遗传算法(GA)优化支持向量回归(SVR)机进行预测,采用最优参数构造SVR模型。以1990-2015年广西货运量为时间序列数据,实验结果表明,以平均绝对误差(MAPE)和均方差比值(MSE)为精度检验标准,GA-SVR比ARIMA和灰色预测具有更优的预测效果。     

销售量预测的支持向量机建模及参数选择研究

支持向量机(SVM)是一种基于结构风险最小化原理的学习技术，也是一种新的具有很好泛化性能的回归方法，针对企业销售量预测问题，利用支持向量机构建其预测模型，对预测模型进行了仿真及对比实验，证实了模型的有效性。并介绍了SVR理论，同时对于SVR模型参数的选择问题进行了研究。     

一种基于SVR的SAR图像自适应滤波算法

针对合成孔径雷达（synthetic aperture radar, SAR）图像相干斑噪声抑制问题,提出了一种基于支持向量回归（support vector regression, SVR）分析的空间域自适应滤波方法。将SAR图像看做连续二维函数,利用SVR方法对其进行逼近。基于图像的逼近结果描述像素关联性,并基于关联性破坏程度对噪声进行类型分析,对不同类型的噪声采取确定性的抑制算法。为了保证精度,选择小波核函数构建支持向量回归机。实验结果表明了该方法的有效性和对经典方法的改进。     

干扰规则库未知条件下的干扰决策

针对模板匹配(template matching, TM)应用于未知干扰规则库时干扰决策正确率低问题,提出基于迁移成分分析-支持向量机(transfer component analysis support vector machine, TCA SVM)的干扰决策方法。对空-空场景机载多功能火控雷达,提取雷达信号特征,构建雷达干扰规则库及未知威胁数据集,通过迁移成分分析把两个样本集的特征映射到同一低维隐藏空间,提取样本隐藏空间特征,经过支持向量机训练,实现对未知威胁数据集的干扰决策。实验结果表明:所提方法有效提高了干扰决策正确率,TCA-SVM出色的学习及泛化能力,较好地解决了干扰规则库未知条件下干扰决策问题。     

基于遗传算法的支持向量回归机参数选取

针对支持向量回归机(support vector regression,SVR)的参数选择问题,提出了基于遗传算法的SVR参数自动确定方法。分析了SVR各参数对其性能的影响,根据已有的样本集确定遗传算法的搜索区间,然后在该区间内对搜索的参数进行最优选取。为了减少所选参数对训练样本的依赖性,借鉴交叉验证的方法,把训练集分为估计子集,用来选择模型;确认子集选择参数,以推广能力最好的一组参数作为最终参数。将所提出的方法应用于受噪声影响的标准函数,实验结果表明,由该方法所得参数确定的SVR具有较优的预测性能。     

Learning-based force servoing control of a robot with vision in an unknown environment

A learning-based control approach is presented for force servoing of a robot with vision in an unknown environment. Firstly, mapping relationships between image features of the servoing object and the joint angles of the robot are derived and learned by a neural network. Secondly, a learning controller based on the neural network is designed for the robot to trace the object. Thirdly, a discrete time impedance control law is obtained for the force servoing of the robot, the on-line learning algorithms for three neural networks are developed to adjust the impedance parameters of the robot in the unknown environment. Lastly, wiping experiments are carried out by using a 6 DOF industrial robot with a CCD camera and a force/torque sensor in its end effector, and the experimental results confirm the effecti veness of the approach.     

开环和开闭环结合的机器人视觉伺服

为尽量减小视觉系统采样频率低对视觉伺服动态性能的影响,提出了视觉开环的机器人视觉系统,仅进行一次视觉采样,分析了系统的鲁棒性,并在二自由度机械手上进行了仿真实验研究,0.2秒就完成了调节过程;为进一步提高系统的鲁棒性和消除稳态误差,提出了开闭环结合的视觉伺服系统,仿真结果证明了该方法的有效性。     

基于强化学习的机器人模糊控制系统设计

研究了基于强化学习(RL)的模糊逻辑控制器(FLC)设计方法,并将该控制器作为反应式自主移动机器人的控制系统。在缺乏专家知识的情况下,将模糊推理系统(FIS)和强化学习理论相结合构成模糊强化系统,通过强化学习算法获取FLC得模糊规则库,从而有效地解决了复杂未知环境的机器人导航问题。实验结果表明,由强化学习设计的模糊控制器的有效性,同时具有较强的适应能力,可以应用于不同的复杂环境。     

基于图像的直接视觉伺服控制器设计与仿真

对于手眼机器人视觉伺服,考虑机器人的运动学及动力学特性,在物体的深度未知及机器人的基坐标系与物体的坐标系之间的相似变换矩阵未定标的情况下,设计了直接视觉伺服控制器,利用自适应算法对深度及上述相似变换矩阵的参数进行在线估计,实现了基于图像误差的定位控制,在系统的工作空间范围内,闭环系统是渐近可稳定的。该方法不需要物体的几何模型及深度的精确值,仿真结果验证了其有效性。     

基于T-S模型的迭代学习控制算法及其在机器人点位控制中的仿真研究

考虑了一类特殊的迭代学习控制问题，即用迭代学习方法解决机器人的点位控制问题。采用T-S模型描述机器人系统，在T-S模型的基础上，运用并行分配补偿方法(PDC)确定T-S模型的迭代学习控制器结构，并给出了误差收敛条件。为避免迭代过程的初始定位操作，丈中还设计了模糊循环迭代学习律。最后以在垂直面内运动的单关节的机器人为例说明了所提出方法的有效性。     

基于模糊强化学习的双轮机器人姿态平衡控制

针对单轨双轮机器人在静止情况下存在的固有静态不稳定问题, 提出一种基于模糊强化学习(简称为Fuzzy-Q)的控制方法。首先，运用拉格朗日法建立带控制力矩陀螺的系统动力学模型。然后, 在此基础上设计表格型强化学习算法, 实现机器人的稳定平衡控制。最后，针对算法存在的控制精度不高和控制器输出离散等问题, 采用模糊理论泛化动作空间, 改善控制精度, 并使控制输出连续。仿真实验表明, 相较于传统强化学习方法, 所提方法能够显著提高控制精度, 且可以有效抑制外界干扰力矩对系统的影响, 保证系统具有一定的抗干扰能力。     

基于SCFNN的网络控制系统远程控制器设计

提出将自组织模糊神经网络(SCFNN)应用于网络控制系统(NCS)中的远程控制器的设计。SCFNN的学习过程包托结构学习和参教学习两个阶段。结构学习的目的是对输入空间进行合理的模糊划分并动态地生成一组模糊逻辑控制规则，而参数学习是通过有监督梯度下降法来调整隶属度函数的参数以及模糊规则中结论部分的权值。最初的SCFNN只有输入节点和输出节点，而经过在线学习后逐步生成隶属度函数节点和规则节点。对基于Profibus-DP网络的网络控制系统进行测试，并与采用修正Ziegler-Niehols法设计的控制器的控制效果进行比较，结果表明基于SCFNN思想设计的远程控制器在网络控制系统中能够获得满意的控制效果。     

基于遗传算法的欠驱动机器人模糊控制器设计

主要对二自由度平面欠驱动机器人的操作空间控制问题进行了研究,提出了一种适用于此类欠驱动机器人的模糊控制新方法.将欠驱动机器人末段位置控制问题进行分解,设计了一种新型的分层模糊控制器,模糊规则简单容易制定,并且大大减少了模糊规则数目.在控制规则制定方面引入遗传算法进行全局优化,根据定义的适应度函数从系统模型中自动生成全局最优的控制规则.最后进行了数值仿真,验证了方法的有效性.     

基于数据挖掘的结构模糊控制规则生成与仿真分析

结合智能控制与现代控制理论,在结构控制领域,提出了直接从已有主动控制算法的成功数据样本中提取模糊控制规则的思想和方法。以顶层设置AMD控制装置的五层钢框架模型结构为例,阐述了提取模糊控制规则的步骤,仿真结果证实了所设计的二输入单输出模糊控制器的有效性和鲁棒性。通过76层Benchmark风振模型的模糊控制仿真分析,进一步验证了这种充分利用主动控制算法获取模糊规则思想的有效性。研究成果使结构振动模糊控制器的设计具有一定的依据,为AMD模糊控制走向工程应用奠定了理论基础。     

基于T-S模糊模型的非线性自适应逆控制系统

现在非线性自适应逆控制系统中，由于对象模型和逆控制器均采用非线性自适应滤波器，自适应过程需要同时训练至少两个串联的非线性自适应滤波器，从而造成自适应学习过程过于复杂。利用一组自适应LMS滤波器建立非线性对象的T-S模糊模型，它为逆控制器的学习提供了准确的解析的对象模型Jacobian信息，从而有效简化了自适应逆控制学习过程。仿真结果表明，无论是离线建模还是在线建模，该非线性自适应逆控制方法均能取得理想的控制效果。